LOAM, ALOAM, LegoLOAM, hdl graph slam比较

LOAM:

• LOAM使用了作者定义的特征点提取和匹配方法，主要去边角点和平面点。LOAM use a new defined feature system (corner and flat point), for the detail see its article.
• LOAM假设每一次激光扫描过程中是匀速运动，并且用这个假设修正激光雷达数据的运动扭曲问题。在VLOAM中则是更进一步，使用视觉的里程计估计每一个扫描数据的运动。LOAM suppose linear motion within the scan swap (VLOAM further uses visual odometry to estimate it), and undistort the lidar points.
• LOAM也有一个低频率调用的全局优化线程。

A-LOAM

ALOAM github page

另外，下面的算法都使用hdl_graph_slam给到的室外数据集做了结果的测试，建模的图像如下所示。由于没有找到轨迹的真实值，没有对轨迹误差做比较分析。

LOAM和ALOAM的区别（Difference LOAM vs A-LOAM）:

• LOAM中提供了使用IMU信息修正的接口， ALOAM中省略了这一块。LOAM has IMU refinement.
• ALOAM中缺少了对提取到的特征点的筛选过程，具体可以参见LOAM的代码部分（对一些不好的边角点做了筛选）。Lack feature filter in A-LOAM.
• LOAM中的优化LM方法是作者自己编写的，ALOAM则是使用了Ceres库完成这一部分。LOAM implies the LM solver itself. A-LOAM uses Ceres solver.
• 补充上面的一点，LOAM中作者解析地求出了雅各比的表达式（其中使用了一些小技巧统一了不同特征点的残差函数的导数表达），ALOAM则是简单地使用了ceres提供的自动求导工具（这样可以节省开发的时间，得到了也是准确的解，但是运算时间会稍稍长些，具体可以参见ceres的官方文档）。LOAM use analytical derivatives for Jacobians, but A-LOAM uses the automatic derivatives offered by Ceres (which is exact solution but a little bit slower).
• 相比于原本的LOAM， ALOAM的可读性更高，非常适合学习。尤其是雅各比的部分，LOAM原本的雅各比推导非常的难理解。ALOAM直接用自动求导，整个SLAM最复杂的运算就不需要推导了！

Performance: • A-LOAM seems good,less redundant points. • but has more error in far edges. • LOAM method has no assumption of a consistent “floor”, that is better for our case. • A-LOAM has the same logical with LOAM, but its performance is much worse.

下面是对ALOAM的三个线程的运行时间的分析（以下的运行测试都是再i5 9300 cpu上进行的），分别是scan registration线程，odometry线程，和mapping线程。其中mapping是进行全局优化的线程，另外两个线程则和实时性息息相关。

• ALOAM – scan refistration the maximum time is : 0.034434 the mean of time is : 0.0148146394612
• ALOAM – odometry the maximum time is : 0.027296 the mean of time is : 0.0157431030928
• ALOAM – mapping the maximum time is : 0.326849 the mean of time is : 0.257764385093

For one input scan, it takes 0.0305s in average. 对于一个新的扫描帧，需要大概0.03秒的处理时间，另外低频优化每次的耗时大概0.25秒（并不影响实时性）。

LEGO LOAM

lego LOAM

vs LOAM:

• Lego LOAM针对处理运算量做了优化，它的运算速度增加，同时并没有牺牲精度。Faster and similar accuracy as LOAM, and has a better global map visual effect.

Difference LOAM:

• LogoLOAM 增加了更多预处理的步骤，其中主要包括一个地面的提取（并没有假设地面是平面），和一个点云的分割。使用更多筛选之后的点云再提取特征点，效率会更高。Add segmentation before processing (gound extraction and image-based segmentation)
• 在提取特征点时，将点云分成小块，分别提取特征点，以保证特征点的均匀分布。Sub-divide the range image before feature extraction → more evenly distributed features.
• 再特征点匹配的时候，使用预处理得到的segmenation标签筛选，又提高了效率。Label match
• 一个双步骤的LM优化，先使用平面点优化高度，同时利用地面的方向优化两个角度信息；再使用边角点优化剩下的三个变量。以这种方式分别优化，效率提升40%，但是并没有造成精度的损失（根据原文章所述）。Two step LM. Seperate the optimization based on different property of edge and planar points. Becomes faster while similar accuracy.
• 不用的地图点存储方式。LOAM中将所有历史的点云存储到同一张点云图中，并做了grid sampling。Lego LOAM则是分别存储每一帧的特征点信息和每一帧的位姿数据。这样提供了两种全局优化方式，一种是仿照LOAM的方法；另一种是可以使用图优化理论。Difference map storage method, can use pose graph optimization and use loop closure.

另外LeGO LOAM需要对激光设备的标定。应该是在预处理中，使用了将激光数据转化为range image的步骤中需要这些数据，只有正确的设定才能正确执行算法。 在源代码中对Velodyne的一些设备都有完整的参数设置，但是对速腾（rslidar）并没有设置好，需要自己完成这方面的工作，才能使用速腾的设备运行算法。虽然话是这么说。。我之前也问题这个遇到过问题。但是我发现就用源代码提供的velodyne的参数就可以顺利运行了。

对我来说，在这个室外场景的数据，我觉得LeGO LOAM是本文列举的几个算法中最好的。 它可以高速运行，有较高的精度，同时相比于LOAM可以加入回环优化。

但是，在室内运行发现，LeGO LOAM很容易丢失误匹配，但是LOAM就好很多，即使有相对大的运动也能够正确的处理。

Performance: • lego slam has the best result, error is small. • Flat plane has good look, achieve a dense map, while keep its consistence.

下面是LeGO LOAM的三个主要线程的处理时间的分布曲线。分别是image projection线程（将扫描帧投影到二维矩阵，并做一系列的预处理），feature association线程（与LOAM大概一致，特征点的提取和匹配），以及map optimization线程（低频激发的全局优化线程）。

• LEGO LOAM – image projection the maximum time is : 0.029819 the mean of time is : 0.0123906096595
• LEGO LOAM – feature association the maximum time is : 1.226773 the mean of time is : 0.0126770831335
• LEGO LOAM – map optimization the maximum time is : 0.427468 the mean of time is : 0.30585172524

For one input scan, it takes 0.0249s in average. It is about 25% faster than ALOAM. 对于每一个输入的扫描帧，处理时间大约是0.025秒，相对于ALOAM快了25%左右。另外由于在LeGO LOAM中使用了另外的地图结构和优化方式（也加入了回环优化），所以map optimization的处理时间稍长一些，大概是0.3秒一次。

HDL GRAPH SLAM

hdl graph slam

hdl_graph_slam:

• 它是一个简单的图优化模型。 It is basically a graph optimization algorithm.
• 它提供了ICP为基础的和NDT为基础的一系列点云标配方法。Use ICP-based or NDT-based methods to register new point cloud, and match candidates of loop closure.
• 它假设有一个共享的地面，但是假设了地面是一个平面，这个假设可能过于强了，限制了算法的鲁棒性。
• 在全局图优化的步骤，只是使用了相邻两帧的相对位姿和每一帧检测到的地面信息。其实使用的信息很少，图优化的结构也十分简单。For the graph optimization part, it use the most sample edge for consecutive frames, along with the floor observation edge.
• 它提供了回环优化的模块，但是回环比较粗糙。简单来说，就是在当前帧地附近搜索历史地每一帧，分别标配得到可能的回环，再进行优化。
• 总的来说，它提出了使用图优化来处理激光SLAM，这是很好的想法。In summary, it uses the most basic algorithms, however it has a complete structure.

Performance: • not that much error for the far points, as it has loop closure • lots of redundant points as it has no optimization on point cloud, floors and walls are very thick in the global map.

HDL graph slam有四个主要线程，对于点云的预处理降采样prefiltering线程，floor detection线程（检测一个共有的平面作为地面），odometry线程（在测试中使用的是使用openmp加速的NDT算法），和graph optimization线程（优化包括：相邻帧的约束，回环约束，和每一帧检测到的地面约束）。

• HDL – prefiltering the maximum time is : 0.395365 the mean of time is : 0.00943357786885
• HDL – floor detection the maximum time is : 0.856617 the mean of time is : 0.0456638586777
• HDL – odometry the maximum time is : 0.309964 the mean of time is : 0.0742533234078
• HDL – graph slam the maximum time is : 2.140327 the mean of time is : 0.13695704878

Its processing time is much more than the other two methods, as it use NDT, while the other use feature points. 相比于上面的LOAM为基础的特征点标配方法，使用NDT（openmp加速过的NDT）仍然慢了很多，NDT大概需要0.07秒/帧。在全局优化的线程中，由于约束只是简单的相对位姿（帧与帧的相对位姿和帧与地面的相对位姿）所以graph optimization线程速度很快，只需要LOAM衍生算法的一半左右的时间。

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/230896.html原文链接：https://javaforall.cn